本研究提出了一种基于射线场探测技术的隐式表面的学习方法，以及一种泛函约束方法，用于无需三维监督的三维形状推断。实验表明，在单视角基础上，使用我们的方法从图像中重建三维模型，无论是定量还是定性上都优于现有技术。
Nov, 2019
使用卷积深度置信网络将几何 3D 形状表示为 3D 体素网格上的二元变量的概率分布，以实现物体识别和根据 2.5D 深度图形完成 3D 形状恢复等多个方面的任务，利用构建的大规模 3D CAD 模型数据集 - ModelNet 进行训练，可以在各种任务中显著提高性能。
Jun, 2014
本研究利用深度神经网络的可微分性，防止曲面崩溃和强烈减少曲面重叠，在表面重构方面显著超过现有技术。
本研究使用神经网络从多视图中学习生成高质量且兼具多视图一致性的 3D 参数曲面，同时保持准确的图像像素到 3D 表面点的对应关系，能够重建具有丰富几何和外观的纹理信息形状，并在公共数据集上获得优于先前工作的定量和定性结果。
Aug, 2020
本文提出了一种新的 3D 生成建模框架，使用 2D 卷积运算从多个视角预测 3D 结构，并联合应用几何推理和 2D 投影优化来高效地生成以密集点云形式呈现的物体形状，并引入伪渲染器来合成优化的新深度图，在单张图像 3D 对象重建任务中表现了优越的形状相似性和预测密度。
Jun, 2017
本论文中，我们提出了基于约束隐式代数曲面和深度神经网络的方法，以实现对高复杂度 3D 形状的更准确重建和分割，相较于现有单 RGB 图像 3D 形状重建技术，该方法表现出更强的表现力和性能，可无监督地进行学习。
Aug, 2021
本研究论述了通过 CNN 架构识别单个和多个渲染图像视角的 2D 视图图集能够在 3D 物体识别方面表现出更好的性能，提出并证明 CNN 架构结合多个视角信息可提供更好的识别性能，同样适用于人手绘图的物体识别。
May, 2015
该研究提出了基于 3D 图像的简单部件抽象形状表示方法，使用生成递归神经网络和高斯场生成大规模数据集，得到比另一种形状检索方法更好的结果。
Aug, 2017
通过引入一种变分形状推理方法以及一种新的几何损失函数，我们提出了一种端到端的可训练模型，可以直接预测任意拓扑的隐式表面表示，并演示了该模型在 3D 表面预测任务中的准确性和灵活性。
Jan, 2019
本文从不同的表示角度综述了深度学习在三维几何中的最新发展，并总结了不同表示方法在不同应用中的优缺点，同时提出了进一步的研究方向。
Feb, 2020